ترجمه فارسی مقاله ایمنی هوش مصنوعی در عمل: افزایش مقاومت در برابر حملات در زیرنویس تصاویر چندوجهی

چکیده

Multimodal machine learning models that combine visual and textual data are increasingly being deployed in critical applications, raising significant safety and security concerns due to their vulnerability to adversarial attacks. This paper presents an effective strategy to enhance the robustness of multimodal image captioning models against such attacks. By leveraging the Fast Gradient Sign Method (FGSM) to generate adversarial examples and incorporating adversarial training techniques, we demonstrate improved model robustness on two benchmark datasets: Flickr8k and COCO. Our findings indicate that selectively training only the text decoder of the multimodal architecture shows performance comparable to full adversarial training while offering increased computational efficiency. This targeted approach suggests a balance between robustness and training costs, facilitating the ethical deployment of multimodal AI systems across various domains.

چکیده به فارسی (ترجمه ماشینی)

مدل های یادگیری ماشین چند حالته که داده های بصری و متنی را با هم ترکیب می کنند ، به طور فزاینده ای در برنامه های مهم مستقر می شوند و به دلیل آسیب پذیری آنها در برابر حملات مخالف ، نگرانی های ایمنی و امنیتی قابل توجهی را ایجاد می کنند.در این مقاله یک استراتژی مؤثر برای تقویت استحکام مدل های زیرنویس تصویر چند حالته در برابر چنین حملاتی ارائه شده است.با استفاده از روش علامت شیب سریع (FGSM) برای تولید نمونه های مخالف و ترکیب تکنیک های آموزش مخالف ، ما استحکام مدل بهبود یافته را در دو مجموعه داده معیار نشان می دهیم: Flickr8k و Coco.یافته های ما نشان می دهد که آموزش انتخابی فقط رمزگذار متن معماری چندمودال عملکرد قابل مقایسه با آموزش های متناقض کامل را نشان می دهد در حالی که افزایش کارایی محاسباتی را ارائه می دهد.این رویکرد هدفمند حاکی از تعادل بین استحکام و هزینه های آموزش ، تسهیل استقرار اخلاقی سیستم های AI چند حالته در حوزه های مختلف است.